機器學習算法與傳統(tǒng)天氣預報相結合而產(chǎn)生的智能天氣預報,有助于對天氣狀態(tài)進行多角度、全方位分析。未來,智能天氣預報將集數(shù)值預報、統(tǒng)計分析、機器學習、預報產(chǎn)品釋用于一體,實現(xiàn)對天氣狀態(tài)的無縫隙、精細化預報。預報資料的系統(tǒng)化預處理、海量資料的高效分發(fā)傳輸、精細化預報需求,使得智能天氣預報面臨以下三個亟待解決的問題:(1)實時預報時,如何對觀測資料進行高效去噪;(2)為了高效傳輸、處理超分辨率數(shù)據(jù),如何進行壓縮、重構;(3)為了利用預報產(chǎn)品進行小尺度天氣過程分析,如何插值再分析資料。立足這些問題,本文開展的工作如下:(1)針對紅外高光譜通道資料的云檢測。提出了基于特征通道的特征構建方法;并利用構建的特征,設計了基于logistic的紅外高光譜云檢測算法。實驗表明,特征通道的選取思路合理;對于海上區(qū)域,檢測正確率達95%以上,陸地區(qū)域加入地表發(fā)射率特征后,檢測召回率提升了12%;算法適用于實時云檢測。(2)紅外高光譜資料壓縮、重構。設計了基于譜-空卷積的HCR紅外高光譜壓縮重構算法。實驗表明,在相同的壓縮比率下,HCR的重構均方誤差比傳統(tǒng)基于主成分分析的重構均方誤差降低了13.82%。(3)針對...

【文章頁數(shù)】：90 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 智能天氣預報與機器學習
    1.2 智能天氣預報發(fā)展現(xiàn)狀與問題
        1.2.1 智能天氣預報發(fā)展歷程
        1.2.2 智能天氣預報發(fā)展面臨的問題
    1.3 論文動機
        1.3.1 論文研究問題
        1.3.2 論文主要貢獻
    1.4 論文結構
第二章 機器學習算法
    2.1 機器學習基礎理論
    2.2 Logistic回歸
    2.3 卷積神經(jīng)網(wǎng)絡
    2.4 高斯過程回歸和與天氣過程相關的核函數(shù)
        2.4.1 GPR和核技巧
        2.4.2 與天氣過程相關的核函數(shù)
第三章 基于Logistic回歸的紅外高光譜資料云檢測
    3.1 紅外高光譜資料特征通道分析
    3.2 基于Logistic的紅外高光譜資料云檢測
    3.3 基于IASI資料的算法性能分析
        3.3.1 數(shù)據(jù)集說明
        3.3.2 地域差異分析
        3.3.3 特征通道分析
        3.3.4 算法適用性分析
    3.4 本章小結
第四章 基于譜-空卷積的HCR紅外高光譜資料壓縮與重構
    4.1 紅外高光譜資料的特性分析
    4.2 HCR紅外高光譜資料壓縮重構網(wǎng)絡
    4.3 基于IASI紅外高光譜資料的算法性能分析
        4.3.1 數(shù)據(jù)集說明
        4.3.2 算法效果分析
        4.3.3 參數(shù)敏感性分析
        4.3.4 通道特性分析
    4.4 本章小結
第五章 基于高斯過程回歸的預報產(chǎn)品天氣過程插值
    5.1 高斯過程回歸插值天氣過程的設計思路分析
    5.2 適用于天氣過程的多尺度各向異性核函數(shù)
    5.3 基于多變量校正的天氣過程空間插值算法
    5.4 基于10m風場的數(shù)值試驗
        5.4.1 數(shù)據(jù)集說明
        5.4.2 算法效果分析
    5.5 本章小結
第六章 總結與展望
    6.1 論文總結
    6.2 研究展望
致謝
參考文獻
作者在學期間取得的學術成果
附錄A IASI資料通道索引號
附錄B 紅外高光譜資料的PCA壓縮重構分析
    B.1 紅外高光譜資料的特性
    B.2 基于IASI的紅外高光譜資料的特性分析
附錄C IASI資料分區(qū)



本文編號：3871127